بیماری‌های عفونی که توسط پاتوژن‌های بیماری‌زا (ویروس، باکتری، قارچ و انگل) ایجاد می‌شوند، پس از ورود به بدن تکثیر پیدا می‌کنند و می‌توانند سلامت فرد را مختل کنند. این بیماری‌ها با نشانه‌ها و علائم بالینی متنوع همچنان از چالش‌های مهم سیستم‌های بهداشتی جهان محسوب می‌شوند؛ زیرا مسیرهای انتقال آنها بسیار متنوع است و شامل تماس مستقیم با فرد آلوده، مصرف آب یا غذای آلوده و توسط ناقل‌های مانند حشرات است. درک مسیرهای بیماری‌زایی و ویژگی‌های بالینی این بیماری‌ها برای تشخیص به موقع، درمان مناسب و پیشگیری مؤثر از اهمیت بالایی برخوردار است [1]. عفونت‌های خفیف ممکن است به استراحت و درمان‌های خانگی پاسخ دهند، در حالی که بسیاری از عفونت‌های مهلک ممکن است نیاز به بستری در بیمارستان و درمان‌های شدید داشته باشند. افراد از دو راه به بیماری‌های عفونی مبتلا می‌شوند که آسان‌ترین آنها در اکثر موارد، برقراری تماس مستقیم با شخص یا حیوان مبتلا است. اما این بیماری‌ها از طریق تماس غیرمستقیم نیز منتقل می‌شوند [2]. راه مستقیم می‌تواند عامل یک مرگ از هر چهار مرگ در سراسر جهان باشد. اکثر این مرگ و میرها در اوایل زندگی اتفاق می‌افتد که قابل پیشگیری هستند. با وجود پیشرفت‌های متعدد در پیشگیری و درمان بیماری‌های عفونی، همچنان آنها عامل اصلی مرگ و میر، ایجاد ناتوانی در زندگی و کاهش کیفیت زندگی در سراسر جهان شناخته می‌شود. علاوه بر این، طبق گزارش سازمان جهانی بهداشت، بیماری‌های عفونی سبب هزینه‌های اضافی برای سیستم مراقبت‌های بهداشتی و اقتصاد جهان می‌شود [3].
در سال‌های اخیر در کنار پیشرفت‌های چشمگیری که برای ساخت واکسن جهت ریشه‌کنی بیماری‌های عفونی رخ داده است، فناوری‌های دیجیتال مانند هوش مصنوعی ‏(AI)‏[1] و یادگیری ماشین ‏(ML)‏[2] توانسته‌اند تمام ابعاد و شرایط انسان از جمله دانش پزشکی را تحت تأثیر خود قرار دهند [4]. نوید فناوری‌های مبتنی بر تعیین توالی نسل جدید و پلتفرم‌های نیمه‌کمّی پایش بار پاتوژن، افق‌های جدیدی در مدیریت بیماری‌های عفونی فراهم کرده است. این ابزارها امکان پایش مستقیم و پویا بار پاتوژن را در طول سیر بیماری فراهم می‌کنند و می‌توانند در ارزیابی پیشرفت بیماری و سنجش اثربخشی درمان نقش مؤثری ایفا کنند. استفاده از این فناوری‌ها مستلزم آن است که متخصصان بیماری‌های عفونی توانایی تحلیل داده‌های مولکولی پیچیده را داشته باشند و آنها را با یافته‌های بالینی تلفیق کنند. هم‌زمان، این ابزارها زمینه را برای ارائه درمان‌های دقیق‌تر و فردمحور فراهم می‌سازند که با انتظار بیماران برای خدمات سریع‌تر و هدفمندتر همسو است [5].
پزشکان در مواجهه با حجم گسترده‌ای از داده‌های بالینی قرار دارند که تحلیل آنها نیازمند روش‌های پیچیده و پیشرفته است. هوش مصنوعی می‌تواند با به‌کارگیری الگوریتم‌های یادگیری ماشین، این داده‌ها را پردازش کرده و به پیش‌بینی نتایج بالینی، از جمله شناسایی بیماران در معرض خطر عفونت محل جراحی کمک کند. چنین سامانه‌هایی نه‌تنها روند تصمیم‌گیری بالینی را بهبود می‌بخشند، بلکه امکان شخصی‌سازی درمان و افزایش کارایی ارائه خدمات را فراهم می‌آورند. علاوه بر داده‌های بالینی موجود، فناوری حسگرهای همراه و دستگاه‌های پزشکی امکان جمع‌آوری جریان‌های اضافی داده و پایش بلادرنگ بیماران را فراهم می‌کند که می‌تواند به واکنش سریع‌تر و دقیق‌تر در مدیریت بالینی منجر شود [6].
در سال‌های اخیر فناوری تحول‌آفرین ‏AI‏ در مدیریت بیماری‌های عفونی به کار گرفته شده و نقش مهمی در بهبود فرآیندهای تشخیص و درمان ایفا می‌کند. مدل‌های مبتنی بر آن، از جمله الگوریتم‌های یادگیری ماشین و یادگیری عمیق، قادرند داده‌های متنوع بالینی، آزمایشگاهی، تصویربرداری و ژنومی را تحلیل کنند تا دقت تشخیص بیماری افزایش یابد، زمان شناسایی پاتوژن‌ها کاهش پیدا کند و تصمیم‌گیری بالینی بهبود یابد. این فناوری‌ها همچنین امکان پیش‌بینی سیر بیماری و نتایج بالینی بیماران، شخصی‌سازی درمان و تسهیل کشف داروهای جدید را فراهم می‌آورند. به‌علاوه، کاربردهای ‏AI‏ در پایش و پیش‌بینی شیوع بیماری، می‌تواند پاسخ‌های بهداشت عمومی را تقویت و کیفیت کلی مراقبت‌های بهداشتی را ارتقا دهد [7]. با توجه به اهمیت این موضوع، هدف ما از این پژوهش تبیین نقش ‏AI‏ در تشخیص و درمان بیماری‌های عفونی بود.

پژوهش حاضر یک مقاله مروری از نوع روایتی است که به بررسی جامع مطالعات داخلی و خارجی منتشر شده بین سال‌های ‏2018‏ تا ‏2024‏ می‌پردازد. جست‌وجوی منابع با استفاده از کلیدواژه‌های فارسی و انگلیسی انجام شد تا پوشش کاملی از مقالات مرتبط فراهم شود.
راهبرد جست‌وجو با استفاده از ترکیبی از اصطلاحات مرتبط با بیماری‌های عفونی، هوش مصنوعی و کاربردهای بالینی و اپیدمیولوژیک آن انجام شد. راهبرد اصلی جست‌وجو شامل ترکیب این عبارت‌ها بود:
(“‏infectious‏ ‏disease‏” ‏OR‏ “‏pathogen‏” ‏OR‏ “‏epidemic‏”) ‏AND‏ (“‏artificial‏ ‏intelligence‏” ‏OR‏ “‏machine‏ ‏learning‏” ‏OR‏ “‏deep‏ ‏learning‏” ‏OR‏ “‏neural‏ ‏network‏”) ‏AND‏ (“‏diagnosis‏” ‏OR‏ “‏prediction‏” ‏OR‏ “‏control‏” ‏OR‏ “‏treatment‏”)
به‌منظور افزایش پوشش مطالعات، جست‌وجوی تکمیلی از اصطلاحات اختصاصی‌تر مرتبط با بیماری‌های عفونی، از جمله “‏antimicrobial resistance‏”، “‏sepsis‏” و “‏healthcare‏­‏associated infection‏”نیز استفاده شد.
جست‌وجو در پایگاه‌های داده معتبر انگلیسی (پابمد و ساینس‌دایرکت)[3]، فارسی (اس‌آی‌دی، مگیران و ایرانداک)[4] و نیز گوگل اسکالر انجام شد. معیارهای ورود به مطالعه شامل مقالات منتشر شده به زبان فارسی یا انگلیسی از ژانویه ‏2018‏ تا دسامبر ‏2024‏ بود که با روش‌های کمّی، کیفی یا مروری درباره کاربرد ‏AI‏ در بیماری‌های عفونی نوشته شده بودند. گزارش‌های موردی، نامه به سردبیر، چکیده‌های همایش بدون متن کامل و مقالاتی که با هدف پژوهش مرتبط نبودند در این مرور قرار نگرفتند.

در جست‌وجوی اولیه پایگاه‌های اطلاعاتی بین‌المللی و ملی مجموعاً ۱۹۵ مقاله شناسایی شد. پس از حذف ۸۰ مقاله تکراری، ۱۱۵ مقاله باقی‌مانده از نظر عنوان و چکیده غربالگری شدند که از این میان ۷۰ مقاله به دلیل عدم ارتباط موضوعی یا عدم انطباق با معیارهای ورود کنار گذاشته شدند. متن کامل ۴۵ مقاله باقی‌مانده مورد بررسی قرار گرفت و در نهایت پس از حذف ۲ مقاله به دلایل روش‌شناختی، ۴۳ مقاله واجد شرایط برای تحلیل کیفی انتخاب و در مرور حاضر گنجانده شدند (شکل 1‏).‏

‏AI‏ از پیشرفته‌ترین ابزارهای تحلیلی است که قابلیت پردازش و تحلیل حجم وسیعی از داده‌های پیچیده و ناهمگون را فراهم می‌کند. در حوزه بیماری‌های عفونی، داده‌ها شامل اطلاعات بالینی، آزمایشگاهی، میکروبیولوژیک، ژنومیک و اپیدمیولوژیک هستند که اغلب دارای روابط غیرخطی و چندعاملی‌اند. مطالعات مروری نشان داده‌اند که الگوریتم‌های هوش مصنوعی می‌توانند در تشخیص زودهنگام عفونت‌ها، پیش‌بینی سیر بیماری، پایش همه‌گیری‌ها و مدیریت مقاومت‌های میکروبی نقش مؤثری ایفا کنند [8]. از سوی دیگر، تحلیل کلان‌داده‌های مرتبط با بیماری‌های عفونی از طریق روش‌های یادگیری ماشین امکان استخراج الگوهای پنهان و بهبود دقت پیش‌بینی را فراهم می‌سازد [9].

راهبردهای یادگیری ماشین به‌طور کلی به دو دسته اصلی شامل «یادگیری با نظارت[5]» و «یادگیری بدون نظارت[6]» تقسیم می‌شوند [‏10‏]. در یادگیری با نظارت، مدل با استفاده از داده‌های برچسب‌دار آموزش می‌بیند و هدف آن پیش‌بینی یک پیامد مشخص مانند تشخیص بیماری یا پیش‌بینی سیر بالینی است. این رویکرد شامل روش‌هایی نظیر طبقه‌بندی و رگرسیون بوده و در حوزه بیماری‌های عفونی برای تشخیص عفونت، پیش‌بینی شدت بیماری و ارزیابی پاسخ به درمان کاربرد گسترده‌ای یافته است [‏11‏]. در مقابل، یادگیری بدون نظارت بر داده‌های فاقد برچسب اعمال می‌شود و با هدف کشف ساختارهای پنهان، خوشه‌بندی بیماران و شناسایی الگوهای اپیدمیولوژیک به‌کار می‌رود. این روش می‌تواند در شناسایی فنوتیپ‌های بالینی جدید، تحلیل الگوهای انتقال بیماری و پایش شیوع عفونت‌ها نقش مهمی ایفا کند [‏11‏].

انتخاب ویژگی یکی از مراحل اساسی در توسعه مدل‌های یادگیری ماشین برای پیش‌بینی و مدیریت بیماری‌های عفونی محسوب می‌شود. داده‌های مورد استفاده در این حوزه، به‌ویژه داده‌های استخراج‌شده از پرونده‌های الکترونیک سلامت و سامانه‌های مراقبت بهداشتی، شامل طیف گسترده‌ای از متغیرهای دموگرافیک، علائم بالینی، شاخص‌های آزمایشگاهی، سوابق دارویی و اطلاعات اپیدمیولوژیک هستند. استفاده همزمان از تمامی این متغیرها می‌تواند منجر به افزایش پیچیدگی محاسباتی، ورود نویز و کاهش قابلیت تعمیم مدل‌های پیش‌بینی شود؛ ازاین‌رو، به‌کارگیری روش‌های انتخاب ویژگی به‌منظور شناسایی عوامل کلیدی مؤثر بر بروز و پیامد بیماری‌های عفونی ضروری است [‏12‏].
شواهد حاصل از مطالعات مبتنی بر داده‌های سلامت نشان می‌دهد که انتخاب بهینه ویژگی‌ها می‌تواند عملکرد الگوریتم‌های یادگیری ماشین را در تشخیص زودهنگام عفونت‌ها، پیش‌بینی شدت بیماری و برآورد پیامدهای بالینی به‌طور معناداری بهبود بخشد. حذف متغیرهای غیرمرتبط و تمرکز بر شاخص‌های باارزش پیش‌بینی، علاوه بر افزایش دقت طبقه‌بندی، موجب ارتقای تفسیرپذیری مدل‌ها برای کاربردهای بالینی می‌شود [‏13‏]. در مدل‌سازی اپیدمیولوژیک و پیش‌بینی روند شیوع بیماری‌های عفونی نیز ترکیب تکنیک‌های انتخاب ویژگی با الگوریتم‌های یادگیری ماشین توانسته است الگوهای پنهان در داده‌های جمعیتی، محیطی و مراقبتی را شناسایی کرده و پیش‌بینی‌های دقیق‌تری ارائه دهد. این موضوع در پایش بلادرنگ بیماری‌ها و برنامه‌ریزی منابع نظام سلامت اهمیت ویژه‌ای دارد [‏14‏]. همچنین مطالعات مبتنی بر داده‌های بیمارستانی نشان داده‌اند که استفاده از روش‌های انتخاب ویژگی در پیش‌بینی عفونت‌های مرتبط با مراقبت سلامت و پیامدهای نامطلوب، موجب کاهش بیش‌برازش، افزایش پایداری مدل و بهبود شاخص‌های عملکردی می‌شود [‏15‏]. افزون بر این، مروری نظام‌مند بر کاربردهای ‏AI‏ در بیماری‌های عفونی نشان می‌دهد که مهندسی و انتخاب مناسب ویژگی‌ها یکی از عوامل تعیین‌کننده در افزایش دقت مدل‌های پیش‌بینی، به‌ویژه در تشخیص زودهنگام و ارزیابی خطر بیماران است [‏16‏].

بر اساس تجربه بیماری‌های عفونی در چند دهه اخیر، افزایش جمعیت و تحرک افراد یکی از عوامل اصلی شیوع بیماری‌های عفونی و احتمال بروز پاندمی است. ارتباط نزدیک با بیماران مبتلا و تراکم بالای افراد در محیط‌های محدود، می‌تواند خطر همه‌گیری را افزایش دهد [‏17‏].
تعداد عوامل بیماری‌زا و سرعت انتشار آنها در مناطق جغرافیایی متفاوت، تحت تأثیر تراکم جمعیت، ویژگی‌های جمعیتی، شرایط محیطی و الگوهای رفتاری قرار دارد. ‏AI ‏با تحلیل داده‌های بزرگ از منابع مختلف، شامل سیستم‌های ملی پایش و گزارش‌دهی، پایگاه‌های ژنومی، بررسی طغیان‌ها، رسانه‌های اجتماعی، جست‌وجوهای اینترنتی و اطلاعات واکسیناسیون، می‌تواند به پیش‌بینی، شناسایی و تحلیل روند بیماری‌های عفونی کمک کند. همچنین با استخراج دانش از داده‌های موجود، الگوهای نهفته و روندهای بالقوه قابل شناسایی هستند [‏18‏]‌.
هدف استفاده از ‏AI‏ در شبیه‌سازی و پیش‌بینی بیماری‌های پاندمی، کمک به سیاست‌گذاران برای اتخاذ اقدامات مؤثرتر در حوزه سلامت است. در سال‌های اخیر، کاربردهای ‏AI‏ در کنترل پاندمی کووید-‏19‏ و پیش‌بینی شیوع آنفلوانزا در مناطق مختلف جغرافیایی از طریق برنامه‌های ردیابی و پایش نقش مؤثری ایفا کرده است. همچنین برنامه‌های کاربردی ‏AI‏ می‌توانند با تحلیل رسانه‌های اجتماعی، شیوع احتمالی بیماری‌های عفونی و اقدامات پیشگیرانه و مقابله‌ای لازم را به مسئولان ارائه دهند [‏19‏]‌.

شناخت الگوهای بروز، توزیع، عوامل خطر و پیامدهای بیماری در سطح جمعیت، نقش اساسی در پیش‌بینی و کنترل همه‌گیری‌ها ایفا می‌کند. مطالعات طولی و تحلیل داده‌های فضایی–زمانی امکان شناسایی روند انتقال بیماری‌ها و برآورد گسترش آنها را فراهم می‌سازد. شاخص‌هایی مانند میزان سرایت، شدت علائم و مرگ‌ومیر از عوامل کلیدی در ارزیابی خطر و برنامه‌ریزی مداخلات بهداشت عمومی محسوب می‌شوند. در سال‌های اخیر، استفاده از ‏AI‏ در کنار روش‌های کلاسیک اپیدمیولوژی موجب افزایش دقت پیش‌بینی و بهبود عملکرد سیستم‌های پایش بیماری‌های عفونی شده است. الگوریتم‌های یادگیری ماشین و یادگیری عمیق با تحلیل داده‌های اپیدمیولوژیک، بالینی و محیطی قادرند الگوهای پیچیده فضایی–زمانی را شناسایی کرده و هشدارهای زودهنگام درباره بروز یا تشدید همه‌گیری ارائه دهند [‏20‏]‌.
با توجه به بروز همه‌گیری‌های گسترده و مرگ‌ومیر ناشی از آنها، مانند همه‌گیری ویروس کووید-‏19‏، پیش‌بینی روند بیماری به یکی از موضوعات اساسی در مدیریت بحران‌های سلامت تبدیل شده است. این پیش‌بینی‌ها با بهره‌گیری از روش‌های مختلف ‏AI‏ و مدل‌های آماری انجام می‌شوند. از جمله این روش‌ها می‌توان به شبکه عصبی مصنوعی تک‌لایه[8]، رگرسیون لجستیک، درخت تصمیم و ماشین بردار پشتیبان[9] اشاره کرد که قابلیت تحلیل داده‌های مربوط به کووید-‏19‏ را داشته و می‌توانند الگوهای شیوع، میزان ابتلا و مرگ‌ومیر را برآورد کنند. یکی از چالش‌های اساسی در مدیریت همه‌گیری‌ها، نبود پاسخ سریع و همچنین کیفیت پایین یا ناقص بودن داده‌های ثبت‌شده در کانون اولیه شیوع است. این مسئله اهمیت زیادی دارد، زیرا دقت پیش‌بینی‌ها به‌طور مستقیم به اطلاعات مراحل اولیه انتقال بیماری وابسته است و هرگونه نقص در داده‌های اولیه می‌تواند بر نتایج مدل‌های پیش‌بینی تأثیر بگذارد [‏21‏]‌.
در بسیاری از کشورها برای پیش‌بینی روند بیماری‌های عفونی از مدل ‏ARIMA‏[10] استفاده می‌شود. این مدل که در اصل در حوزه اقتصاد توسعه یافته است، توانایی تحلیل داده‌های سری زمانی را دارد و می‌تواند با حذف نوسانات کوتاه‌مدت و نویزهای با فرکانس بالا، روند اصلی وابستگی خطی در داده‌ها را شناسایی کند. به دلیل ماهیت دوره‌ای و زمانی برخی بیماری‌های عفونی، ‏ARIMA‏ در این حوزه نیز کاربرد یافته است. این مدل با به‌روزرسانی مستمر بر اساس جدیدترین داده‌ها، امکان ارائه پیش‌بینی‌های پویا را فراهم می‌کند. علاوه بر ‏ARIMA‏، سایر مدل‌های پیش‌بینی نیز می‌توانند علاوه بر برآورد تعداد موارد، سطح خطر و احتمال گسترش بیماری عفونی را تحلیل و گزارش کنند [‏22‏]‌.
مطالعات جدید در حوزه بیماری‌های عفونی منتقله بین حیوان و انسان نشان داده‌اند که استفاده از الگوریتم‌های یادگیری ماشین می‌تواند در شناسایی و مدل‌سازی عوامل خطر محیطی و جمعیتی بسیار مؤثر باشد. در یک پژوهش مبتنی بر مدل‌های پیش‌بینی فضایی–زمانی، با به‌کارگیری روش‌های یادگیری ماشین و داده‌های اقلیمی، کاربری اراضی و تراکم دام، مشخص شد که متغیرهایی نظیر دما، میزان بارش، پوشش گیاهی و تراکم جمعیت دامی از مهمترین عوامل تعیین‌کننده خطر بروز و گسترش بیماری‌های ویروسی مشترک بین انسان و حیوان هستند [‏23‏]‌.
همچنین در مطالعات مقایسه‌ای مربوط به پیش‌بینی همه‌گیری‌های تنفسی، از جمله کووید-‏19‏ و آنفلوانزا، نشان داده شده است که الگوریتم‌های یادگیری ماشین مانند «جنگل تصادفی[11]» و شبکه‌های عصبی مصنوعی در بسیاری از موارد عملکرد دقیق‌تری نسبت به مدل‌های کلاسیک سری زمانی نظیر ‏ARIMA‏ دارند، به‌ویژه زمانی که روابط بین متغیرها غیرخطی و چندعاملی باشد. علاوه بر این، مدل‌های ترکیبی که روش‌های آماری و یادگیری ماشین را ادغام می‌کنند، توانسته‌اند دقت پیش‌بینی بروز بیماری را در مناطق با تراکم جمعیت بالا و جابه‌جایی گسترده بهبود بخشند [‏24‏]‌.
ذکر این نکته حائز اهمیت است که معمولاً کیفیت داده‌های ورودی - نه کمیت آنها - سبب دقت بیشتر مدل پیش‌بینی می‌گردد. انتقال ویروس دنگی از طریق پشه‌ها در 7% موارد سبب بروز تب خونریزی‌دهنده می‌شود. متخصصین با استفاده از ماشین بردار پشتیبانی توانستند میزان بروز بیماری را پیش‌بینی کنند و اقدامات ضروری جهت پیشگیری از آن را ارائه دهند. در این بررسی دقت مدل بسته به شدت آلودگی پشه‌های منتقل کننده ویروس دانگ بود نه دیگر شرایط جغرافیایی. در قدم بعدی باید مناسب‌ترین روند برقراری ارتباط و یافتن دسته‌بندی‌ها بر اساس ویژگی‌های مختلف فردی از قبیل سن، جنس، تفاوت‌های اقتصادی و اجتماعی تعیین شود که هوش مصنوعی باید توانایی رویکرد تحلیلی و  ادغام این مسیرهای موازی را برای ارائه راهکارها داشته باشد. همچنین، این روند مستلزم این است که داده‌های موجود در پایگاه‌های مختلف دقت مناسبی داشته باشند [‏25‏]‌.

‏AI‏ در تحلیل بیماری‌های عفونی به متخصصان بهداشت کمک می‌کند تا ویژگی‌ها و عوامل پیچیده بیماری‌زا را بهتر درک و مدل‌سازی کنند. این مدل‌ها می‌توانند نقش کلیدی در پیش‌بینی روند شیوع و شناسایی نقاط حساس زنجیره انتقال بیماری داشته باشند. یکی از مهمترین راهکارها برای کاهش شدت شیوع بیماری‌های فراگیر، کنترل ناقلین است، زیرا ویروس‌ها برای انتقال و انتشار عفونت به چرخه تکثیر ویروسی وابسته‌اند و مهار این چرخه می‌تواند انتقال ویروس را محدود کند [‏26‏]‌.

در سال‌های اخیر، مقاومت دارویی در بیماری‌های عفونی به یکی از چالش‌های مهم سلامت جهانی تبدیل شده است، به‌طوری که بسیاری از پاتوژن‌ها مانند انگل پلاسمودیوم فالسیپاروم نسبت به داروهای استاندارد درمانی از جمله ترکیبات مبتنی بر آرتمیسینین واکنش کمتری نشان می‌دهند. این روند کنترل و حذف بیماری را دشوارتر می‌کند. مقاومت جزئی به آرتمیسینین در پلاسمودیوم فالسیپاروم به‌طور گسترده در جنوب‌شرق آسیا گزارش شده و اکنون در برخی مناطق آفریقا نیز مشاهده می‌شود که تهدیدی جدی برای راهبردهای کنترل مالاریا به شمار می‌آید. نظارت ژنومی و درک مکانیزم‌های مولکولی مقاومت دارویی اهمیت زیادی دارد زیرا به طراحی مداخلات درمانی مؤثر کمک می‌کند [‏27‏]‌.
در زمینه مقابله با مقاومت ضد میکروبی به‌طور کلی، پژوهش‌های اخیر نشان داده‌اند که به‌کارگیری ‏AI‏ و الگوریتم‌های یادگیری ماشین می‌تواند الگوهای پیچیده مقاومت را پیش‌بینی کرده و در مدیریت این پدیده نقش مؤثری داشته باشد. مدل‌های مختلف مانند درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی مصنوعی در تحلیل داده‌های گسترده مقاومت دارویی، شناسایی فنوتیپ‌های مقاوم و بهینه‌سازی استفاده از داروها کاربرد یافته‌اند، هرچند چالش‌هایی مانند کمبود داده‌های با کیفیت و شفافیت الگوریتم‌ها همچنان باقی است [‏28‏]‌.
پژوهش‌های اخیر نشان داده‌اند که ‏AI‏ می‌تواند در بررسی ظرفیت ضدمیکروبی ترکیبات مورد استفاده برای آنتی‌بیوتیک‌ها نقش مهمی ایفا کند. در یک مطالعه حیوانی برای پیش‌بینی پاسخ به بیماری سل، از مدل‌های مختلف طبقه‌بندی ‏AI‏ مانند لاپلاس-بایس ساده اصلاح‌شده[12] و ماشین بردار پشتیبان استفاده شد. نتایج این مطالعه نشان داد که مدل بایس نسبت به داده‌های آزمایشگاهی ارزش پیش‌بینی بالاتری دارد و می‌تواند در تعیین بهترین ترکیب ضد میکروبی مورد استفاده قرار گیرد [‏29‏]‌. علاوه بر آن، مدل‌های بایس ساده، جنگل تصادفی و ‏C4.5(J48)‏ برای افزایش سرعت تحلیل و کاهش هزینه‌های آزمایشگاهی به‌کار گرفته می‌شوند [‏30‏]‌.
همچنین پژوهش‌ها نشان داده‌اند که ‏AI‏ در تأیید صحت مطالعات شبیه‌سازی رایانه‌ای سامانه‌های زیستی[13] عملکرد بسیار دقیقی دارد. این روش‌ها با جداسازی و تحلیل داده‌های زیستی، عوامل مؤثر ضدعفونی و ترکیبات دارویی را شناسایی می‌کنند و می‌توانند به‌طور مستقیم در توسعه و بهبود درمان‌های پزشکی مورد استفاده قرار گیرند [‏31‏]‌.
در مطالعه چن[14] و همکاران، مدلی برای تشخیص بهترین آنتی‌بیوتیک مناسب بر اساس شرایط بالینی بیمار ارائه شده است. این مدل با در نظر گرفتن عواملی مانند دمای بدن، نوع عفونت، علائم بیماری، مصرف دارو، موارد منع مصرف و تداخلات دارویی طراحی شده است. داده‌های این مدل شامل روش‌های درمانی مناطق جغرافیایی مختلف، شایع‌ترین عفونت‌ها و علائم آنها، مقاومت‌های میکروبی، انواع باکتری‌ها و واکنش‌های متقابل بین آنتی‌بیوتیک‌ها و باکتری‌ها است [‏32‏]‌.
مطالعه‌ای دیگر نشان داده است که سندرم پاسخ التهابی سیستمیک[15] در نوزادان می‌تواند با استفاده از شاخص‌های عفونی شامل حضور باکتری‌ها، ویروس‌ها یا عوامل غیرعفونی، از طریق آزمایش‌های تشخیصی مرتبط و در زمان مناسب شناسایی شود. همچنین، مدل‌های پیشرفته‌ای مانند مدل ‏FAST‏[16] قادرند عوامل بیماری‌زا را به‌سرعت و با دقت بالا پیش‌بینی کنند که این موضوع در بهبود روند تشخیص و تصمیم‌گیری‌های درمانی نقش مهمی ایفا می‌کند [‏33‏]‌.
آنتی‌بادی‌ها یکی از سازوکار‌های کلیدی سیستم ایمنی در مقابله با عفونت‌های ویروسی هستند و پایه اصلی ساخت بسیاری از واکسن‌ها را تشکیل می‌دهند. این مولکول‌ها می‌توانند ویروس‌ها را خنثی کرده و از ورود آنها به سلول‌های میزبان جلوگیری کنند، همچنین حافظه ایمنی بلندمدت ایجاد می‌کنند تا در مواجهه‌های بعدی پاسخ ایمنی سریع و مؤثرتر باشد [‏34‏]‌. علاوه بر ایمنی طبیعی، استفاده از ‏AI‏ در پیشگیری و مدیریت بیماری‌ها، مانند ‏HIV‏، نقش مهمی ایفا می‌کند. الگوریتم‌های یادگیری ماشین می‌توانند روند همه‌گیری و رفتار جمعیتی را تحلیل کرده و به طراحی راهبردهای پیشگیری هدفمند و مؤثر کمک کنند. این رویکردها توانسته‌اند در شناسایی جمعیت‌های پرخطر و پیش‌بینی شیوع ‏HIV‏ به بهبود دقت تصمیم‌گیری و تخصیص منابع کمک کنند [‏35‏]‌.
پژوهش‌های مختلف بررسی کرده‌اند که استفاده از ‏AI‏ توانایی تشخیص مناسب‌ترین درمان را دارد. جهت بررسی میزان پیشرفت بیماری ‏AIDS‏ باید ‏RNA‏ ویروس را در خون اندازه‌گیری کرد که برای اقدامات درمانی ضروری است. اما مشکل اساسی مقرون به صرفه نبودن این روش است. درمان این بیماری به اثرات داروهای ضد رتروویروسی وابسته است. بررسی اینکه آیا ویروس به درمان پاسخ می‌دهد یا خیر اهمیت دارد. بنابراین، ارائه یک مدل دقیق برای شناسایی افراد مبتلا که به درمان پاسخ نمی‌دهند می‌تواند به بهبودی وضعیت بیماران، کاهش هزینه‌های درمان و آگاهی بخشی در مورد بیماری کمک کند [‏36‏]‌.
یکی از مهمترین روش‌ها برای بررسی پیروی بیماران از داروها، تحلیل داده‌های ثبت‌شده توسط داروخانه‌ها است. بررسی این داده‌ها نشان داد که میزان گزارش‌شده از رعایت نکردن دستور دارویی در داروخانه‌ها به‌طور قابل توجهی بیشتر از داده‌های خودگزارش‌دهی بیماران بود، زیرا داده‌های خودگزارش‌دهی معمولاً از دقت و صحت کمتری برخوردارند. این روش امکان پایش واقعی‌تر رفتار بیماران در مصرف دارو و شناسایی نقاط ضعف در رعایت درمان را فراهم می‌کند [‏37‏]‌. برای بررسی میزان تخریب ویروسی، در این مطالعه از یک دستگاه ثبت خودکار استفاده شد که روی جعبه‌های دارو قرار می‌گیرد و زمان و تاریخ هر بار استفاده را ذخیره می‌کند. داده‌های جمع‌آوری‌شده توسط این دستگاه با یک الگوریتم تطبیق داده و اعتبارسنجی شد تا دقت و صحت اطلاعات افزایش یابد و بتوان راهکارهای مؤثر برای کنترل و کاهش بار ویروس ارائه کرد. این روش به‌طور موفقیت‌آمیز امکان طبقه‌بندی تخریب ویروسی را در میان ۱۷۰۰ بیمار فراهم ساخت و نتایج مثبتی در صحت داده‌ها و تحلیل روندهای ویروسی به دست آمد [‏38‏]‌.
روش‌های ترکیبی مبتنی بر ‏AI‏، با تحلیل داده‌های استاندارد مرتبط با ویروس‏HIV‏  مانند تعداد سلول‌های‏ CD4‏⁺ T و پاسخ به درمان ضد رتروویروس، توانسته‌اند دقت طبقه‌بندی بیماری را نسبت به سیستم‌های سنتی نظارت الکترونیکی بهبود دهند. استفاده از این ابزارها علاوه بر افزایش دقت تشخیص، منجر به صرفه‌جویی در منابع مراقبت‌های بهداشتی، کاهش هزینه و زمان، مدیریت بهتر بیماری‌های عفونی و در نهایت ارتقای کیفیت زندگی بیماران می‌شود. با این وجود، هنوز چالش‌هایی در زمینه کاهش بار ویروس‌های فصلی، کنترل عوامل بیماری‌زا و بررسی دقیق‌تر روابط بین پاتوژن‌ها و میزبان انسانی وجود دارد که امید می‌رود با مطالعات آینده، این شکاف‌ها برطرف شوند [‏39‏]‌.

‏AI‏ در پزشکی اگرچه پتانسیل زیادی برای بهبود تشخیص، پیش‌بینی و تصمیم‌گیری بالینی دارد، هنوز بیشتر در مرحله تحقیقاتی قرار دارد و بسیاری از مدل‌ها به طور کامل در محیط بالینی قابل اعتماد نیستند. یکی از چالش‌های اصلی، پیچیدگی مدل‌ها و سختی تفسیر عملکرد آنها است؛ بسیاری از الگوریتم‌های پیشرفته به گونه‌ای عمل می‌کنند که پزشکان قادر به درک سازوکار تصمیم‌گیری آنها نیستند، که می‌تواند اعتماد بالینی را محدود کند. علاوه بر این، کیفیت و جامعیت داده‌های آموزش نقش حیاتی دارند و فقدان داده‌های دقیق، نماینده و استاندارد می‌تواند باعث نتایج کم‌دقت، غیرعمومی یا سوگیرانه شود. به‌علاوه نبود چارچوب‌ها و استانداردهای مشخص برای اعتبارسنجی و ارزیابی مدل‌ها در عمل بالینی، پذیرش گسترده ‏AI‏ را محدود کرده است [‏40‏]‌. یکی از مشکلات مهم، نبود آمادگی کامل سیستم‌های سلامت برای پذیرش فناوری‌های ‏AI‏ است که شامل آموزش کارکنان، تغییر فرآیندها و تطبیق با ساختارهای بالینی موجود می‌شود. همچنین نگرانی‌هایی درباره قابلیت اطمینان و اثربخشی نتایج ‏AI‏ وجود دارد و این ابزارها هنوز نمی‌توانند جایگزین کامل تصمیم‌گیری پزشکان شوند؛ بلکه باید تحت نظارت انسان به کار روند. این مقاله هشدار می‌دهد که انتظار بیش‌ازحد از ‏AI‏ می‌تواند منجر به اعتماد نادرست یا سوءتفسیر نتایج شود و برای کاربرد موفق ‏AI‏ در پزشکی، ترکیبی از فناوری پیشرفته و نظارت انسانی ضروری است [‏41‏]‌.

اینترنت اشیا[17] میلیاردها دستگاه فیزیکی در سراسر جهان هستند که به اینترنت متصلند و اطلاعات را جمع‌آوری می‌کنند و با کاربر و سایر دستگاه‌های متصل به اشتراک می‌گذارند. هر چند استفاده از مدل‌های ‏AI‏ در حوزه مراقبت‌های بهداشتی هنوز جای پیشرفت دارد اما از مزایای اینترنت اشیا به شدت سود می‌برد [‏42‏]‌.
اولین گام ایجاد یک مدل پیشرفته جهت ارزیابی داده‌ها است. با وجود اینکه در اکثر مراکز درمانی این مدل‌ها هستند اما غالباً با انواع داده‌های امروزی مطابقت ندارند. در بررسی‌های دائم بیماری عفونی مراکز درمانی باید راهبردهایی مناسب جهت پیش بینی بروز بیماری عفونی ایجاد کنند که نیازمند افزایش مهارت و فرهنگ پیرامون ‏AI‏، ایجاد تلاش گروهی در ریاضی‌دانان، زیست‌شناسان و متخصصین پزشکی است [‏43‏]‌. پژوهش‌ها نتایج مثبتی از ادغام راهبردهای ‏AI‏ در زمینه تشخیص بهتر گزارش کرده‌اند. به عنوان نمونه گزارش شده است که برای تشخیص پنومونی سونوگرافی ابزاری سودمند است که به مهارت اپراتور و سوگیری متخصص در زمان تفسیر آن وابسته است. همچنین برای درجه‌بندی خودکار عفونت ریه از بررسی تصویر استفاده شده است. شبکه عصبی مصنوعی، عفونت ریه را به طرز صحیحی شناسایی کرده است. داده‌های مکانی (جغرافیایی) مربوط به بیماری‌های عفونی نیز باید با تاریخچه پزشکی بیماران تطابق داشته باشد. بررسی ارتباط بین موقعیت و دیگر مشخصات بیمار مبتلا به عفونت از قبیل فعالیت‌های حرفه‌ای، محیط خانواده، نوع مسکن، تماس با حیوانات مهم است. در مجموع، به‌کارگیری سامانه‌های پایش برخط مبتنی بر اینترنت اشیا و تحلیل داده‌های بالینی توسط الگوریتم‌های هوش مصنوعی، به مراکز درمانی امکان می‌دهد تا ضمن شناسایی بیماران در معرض خطر و ارزیابی مستمر وضعیت عفونت، گام‌های مؤثری در جهت کاهش انتقال و بهبود مدیریت بالینی بردارند [‏44‏]‌.
هم اکنون مراکز مراقبت های بهداشتی تعدادی از مدل‌های ‏AI‏ برای جمع‌آوری داده‌ها به کار گرفته می‌شود اما برای استفاده بیشتر از داده‌ها نیاز به پیشرفت در این زمینه وجود دارد. در حال حاضر شرکت کاتالیا هلث[18] از رباتی انسان گونه برای مراقب بهداشت فردی در مبتلایان به بیماری‌های قلبی عروقی تولید کرده است که در کنار بررسی مصرف منظم داروها، درباره سلامتی بیمار نیز با او صحبت می‌کند. این گونه پیگیری در کنار متخصصین مراکز درمانی سبب کاهش انتقال عفونت می‌گردد [‏45‏]‌.
در یک مطالعه بزرگ مبتنی بر یادگیری ماشین با تحلیل داده‌های ۴۶۷۳۵ بیمار (کولکتومی شده) نشان داده شد که عفونت با کلستریدیوم دیفیسیل به‌طور معناداری خطر نشت آناستوموز را افزایش می‌دهد. مدل‌های یادگیری ماشین با در نظر گرفتن تماس‌های فیزیکی احتمالی بین بیماران و سایر عوامل خطر بالینی، توانستند ارتباط این عفونت بیمارستانی با عوارض جراحی را با دقت بالاتری نسبت به روش‌های آماری سنتی پیش‌بینی کنند و به شناسایی بیماران در معرض خطر کمک نمایند [‏46‏]‌.

یافته‌های این مرور روایتی نشان می‌دهد که ‏AI‏ از قدرتمندترین ابزارهای تحلیلی است که نقش بسیار مهمی در بهبود تشخیص و درمان بیماری‌های عفونی ایفا می‌کند. برخلاف روش‌های آماری سنتی که نیازمند فرضیات سخت‌گیرانه و محدودکننده هستند، الگوریتم‌های ‏AI‏ با انعطاف‌پذیری بالا و بدون نیاز به این فرضیات قادر به تحلیل داده‌های پیچیده و متنوع بالینی و اپیدمیولوژیک هستند و دقت پیش‌بینی و دسته‌بندی را به طور قابل توجهی افزایش می‌دهند.
استفاده از راهبردهای یادگیری ماشینی، اعم از یادگیری با سرپرست و بدون سرپرست، امکان کشف الگوهای پنهان و پیش‌بینی دقیق‌تر وضعیت بیماران را فراهم می‌آورد. انتخاب ویژگی‌های مناسب از داده‌های گسترده و پیچیده الکترونیکی سلامت، از چالش‌های مهم این حوزه است که ‏AI‏ با توانمندی در تحلیل تعاملات پیچیده میان متغیرها، این محدودیت‌ها را کاهش داده است.
‏AI‏ در پیش‌بینی شیوع بیماری‌های عفونی، کنترل پاندمی‌ها و کمک به تصمیم‌گیری‌های استراتژیک سلامت عمومی نقش کلیدی دارد. به‌ویژه در شرایط بحرانی مانند همه‌گیری کووید-۱۹، این فناوری توانسته است با تحلیل داده‌های بزرگ از منابع متنوع، روندهای نهفته را شناسایی و به سیاست‌گذاران در اتخاذ اقدامات مؤثر کمک کند.
همچنین ‏AI‏ در بهبود درمان‌های ضد میکروبی، پیش‌بینی مقاومت دارویی، طراحی واکسن‌های مؤثر و بهینه‌سازی روندهای درمانی نقش مهمی دارد که می‌تواند به کاهش هزینه‌ها و بهبود کیفیت زندگی بیماران منجر شود. با این حال، کیفیت داده‌های ورودی، پیچیدگی تعاملات دارویی و نیاز به ترکیب دانش تخصصی انسانی با مدل‌های ‏AI‏ از جمله چالش‌های باقی‌مانده است.
در نهایت، ادغام ‏AI‏ با فناوری‌های نوین مانند اینترنت اشیا و سیستم‌های نظارتی، چشم‌انداز روشنی برای کنترل و مدیریت بیماری‌های عفونی فراهم می‌آورد. توسعه مدل‌های هوشمند و قابل اعتماد، افزایش همکاری‌های بین‌رشته‌ای و ارتقاء فرهنگ استفاده از ‏AI‏ در مراکز درمانی، از ضرورت‌های اساسی برای بهره‌برداری کامل از ظرفیت‌های این فناوری در حوزه تشخیص و درمان بیماری‌های عفونی است.

نویسندگان از همکاران خود به‌دلیل حمایت علمی و ارائه دیدگاه‌های تخصصی در طول فرآیند نگارش این مقاله مرور روایتی، تشکر و قدردانی می‌نمایند.

نویسندگان اعلام می‌کنند که در این پژوهش هیچ‌گونه تعارض منافعی وجود ندارد.

در این مطالعه، نویسنده اول و سوم مسئول گردآوری داده‌ها و نگارش اولیه مقاله بودند و نویسنده دوم مسئول طراحی مفهومی، تحلیل داده‌ها و ویرایش نهایی مقاله بود. تمامی نویسندگان در تدوین و نگارش مقاله مشارکت داشته و نسخه نهایی را تأیید می‌کنند.

در این پژوهش از هیچ سازمانی کمک مالی دریافت نشد.

‏References‏